L'IA au service de la qualité et de la sécurité des aliments : ce qui fonctionne et ce qui ne fonctionne pas

Il est remarquable de constater la rapidité avec laquelle l'intelligence artificielle (IA) est passée d'une idée intrigante à un sujet d'actualité dans notre société, et ce n'est que le début. L'industrie alimentaire est l'un des principaux moteurs des innovations en matière d'IA pour la fabrication et la transformation. Les grandes marques alimentaires investissent massivement et ont déployé plusieurs applications d'IA diverses ces dernières années dans le but d'améliorer la sécurité alimentaire, la qualité et le débit des produits.

À mesure que de nouvelles applications d'IA apparaissent, les entreprises sont pressées de les adopter rapidement. Dans le cas des technologies d'inspection par vision alimentées par l'IA, certaines entreprises ont obtenu un retour sur investissement rapide. Néanmoins, sans une compréhension pratique du fonctionnement de l'IA et sans les efforts nécessaires à la réussite d'une application, les entreprises peuvent rapidement s'engager dans une voie frustrante.

L'accélération du débit de production entraîne les modifications nécessaires au contrôle qualité

Les systèmes de contrôle de la qualité et d'inspection de la transformation font partie des catégories de technologies d'IA qui connaissent la croissance la plus rapide dans le secteur de la fabrication alimentaire. Qu'il s'agisse de produits à base de viande en portions ou de produits de boulangerie, les usines d'aujourd'hui sont poussées à leurs limites opérationnelles pour atteindre un meilleur débit de produits tout en maintenant les normes de qualité attendues par leurs clients.

Les erreurs sont des sous-produits de l'accélération des vitesses de production sans amélioration des processus de contrôle qualité. De nombreuses entreprises alimentaires dépendent toujours d'inspecteurs humains pour détecter les biscuits insuffisamment cuits ou les filets de poulet non panés en surveillant la chaîne de transformation, mais en raison des vitesses de production rapides, de l'expansion des installations et de la difficulté à trouver de la main-d'œuvre, il leur est presque impossible de prendre des décisions précises et cohérentes en matière de qualité en utilisant les méthodes traditionnelles.

Les exigences croissantes en matière de détection de matières étrangères potentiellement dangereuses provenant de la chaîne de transformation compliquent encore les choses pour les fabricants de produits alimentaires d'aujourd'hui. Le rappel de produits causé par des matières étrangères peut coûter aux marques alimentaires d'énormes sommes d'argent pour retracer et retirer les produits concernés et payer d'éventuels frais juridiques. Ensuite, les efforts de relations publiques visant à rétablir la confiance des consommateurs dans la marque alimentaire peuvent prendre des années.

En fait, de nombreux clients, en particulier les marques de restauration rapide, exigent désormais de leurs transformateurs qu'ils prouvent que leurs protocoles de sécurité alimentaire vont au-delà des méthodes d'inspection conventionnelles. Ces nouvelles exigences ont accru la pression sur les fabricants de produits alimentaires pour qu'ils innovent.

Les technologies d'inspection par IA constituent un excellent moyen pour les entreprises de démontrer leur engagement en matière de qualité et de sécurité alimentaire. Néanmoins, pour réussir l'installation et la mise en œuvre, il faut d'abord comprendre les limites de l'IA.

Bref historique des technologies d'inspection par vision dans les environnements de production alimentaire

Alors que les installations de production alimentaire utilisent des systèmes de vision en ligne traditionnels depuis des décennies, l'ajout de fonctionnalités d'IA et d'apprentissage automatique aux systèmes de vision en ligne est relativement récent. Les systèmes d'inspection traditionnels et alimentés par l'IA intègrent une série de caméras 2D et 3D, un éclairage spécialisé et un puissant logiciel d'analyse qui prend des images des produits en temps réel et les compare aux tolérances programmées. Mais c'est là que s'arrêtent les similitudes.

Les systèmes d'inspection par vision traditionnels comprenaient des mesures simples basées sur des règles, telles que la forme et l'épaisseur d'une galette de hamburger ou la couleur de cuisson d'un pain. Au fil du temps, les utilisateurs de systèmes d'inspection par vision ont commencé à envisager des mesures avancées des produits afin d'améliorer encore la cohérence des produits. Ces mesures peuvent inclure le taux de persillage ou de matière grasse d'une coupe de steak, les marques de pain grillé sur une tortilla ou la formation d'un tourbillon de glaçage sur un cupcake.

De telles caractéristiques très variables constituent un défi pour les systèmes basés sur des règles : ils peuvent détecter que la caractéristique du produit est présente sur l'article, mais ils ne peuvent pas prendre en compte les variations naturelles du produit, ce qui rend la décision concernant les produits acceptables et non acceptables plus ambiguë.

En outre, l'ajout de plus de complexité à un système basé sur des règles met à rude épreuve sa puissance de calcul. Face à ces exigences de mesure croissantes combinées à l'augmentation des vitesses de production, les fournisseurs de technologies d'inspection par vision ont commencé à explorer l'IA pour rationaliser la configuration des machines et l'inspection des produits.

Qu'est-ce qu'un système d'inspection des produits alimentaires basé sur l'IA ?

Les technologies d'inspection par vision basées sur l'IA utilisent les mêmes concepts que les technologies basées sur des règles, mais offrent une analyse plus approfondie pour détecter les anomalies, les caractéristiques et les matériaux qui passeraient inaperçus dans un système basé sur des règles. Chaque modèle d'IA est une accumulation de nombreuses images de produits et de matériaux acceptables et inacceptables.

Au fil du temps, le système d'IA « apprend » à quoi doit et ne doit pas ressembler un produit, ce qui permet de définir une plage de tolérances de manière beaucoup plus holistique qu'une programmation basée sur des règles. Une fois déployé sur la ligne, un opérateur humain sur le site de production surveille en permanence le système d'IA pour s'assurer qu'il ne développe pas d'habitudes indésirables. Pour les systèmes plus complexes, le fournisseur d'IA peut être le principal responsable du système.

Supposons que l'IA prenne une mauvaise décision concernant une caractéristique du produit. Dans ce cas, l'opérateur humain peut corriger l'IA afin qu'elle ne commette pas une erreur similaire à l'avenir. Cette méthode de création de modèles d'IA est connue sous le nom d' « apprentissage supervisé par l'IA », qui permet à l'opérateur humain formé de rester au premier plan du programme global.

Il y a un point très important à retenir à propos des systèmes d'inspection par vision alimentés par l'IA : la qualité de leurs modèles d'IA dépend des ensembles de données qui les alimentent. Si l'opérateur humain de l'installation étiquette de manière incorrecte une caractéristique du produit ou un corps étranger sur la ligne, cela peut avoir un impact négatif sur les performances de l'IA. C'est pourquoi les entreprises qui font appel au personnel expert du fournisseur d'IA pour gérer leurs systèmes obtiennent souvent le plus de succès.

Un système d'inspection par IA bien entraîné est utile pour détecter les matières étrangères indésirables dont la forme ou la couleur peuvent ressembler à celles d'un produit normal. Par exemple, un morceau de plastique blanc dur qui ressemble à un morceau de fromage râpé tombe sur une pizza congelée d'une chaîne de production. Cette anomalie peut passer inaperçue dans un système d'inspection par vision basé sur des règles, car il ne peut pas analyser efficacement les composants individuels de la pizza pour détecter les bords irréguliers, la forme étrange ou la brillance de cette pièce en plastique. Un observateur humain pourrait remarquer la pièce en plastique, mais le rythme effréné de la chaîne de transformation, la fatigue de l'opérateur ou l'incapacité de bien voir la pizza sur la chaîne rendent cette détermination en une fraction de seconde presque impossible.

Le système d'inspection AI, qui est installé aux points de production critiques pour inspecter chaque produit lorsqu'il passe sur un convoyeur, est mieux équipé pour isoler le plastique et prendre les mesures suivantes nécessaires (par exemple, déclencher le rejet pour retirer le produit contaminé de la chaîne). En effet, le système d'IA inspecte chaque composant du produit qui passe.

Un système basé sur l'IA peut apprendre à détecter les anomalies sur la ligne comme le fait un inspecteur humain, mais avec une rapidité et une efficacité accrues, ce qui augmente considérablement la précision.

Quelles sont les limites des systèmes d'inspection par vision alimentés par l'IA actuels ?

Les systèmes d'inspection par IA ne constituent pas une solution miracle pour les entreprises de transformation des aliments : il ne suffit pas d'installer un système sur leur chaîne de production et de s'attendre à ce que leurs problèmes de qualité et de sécurité alimentaire soient résolus. Comprendre ce qu'un système d'IA ne peut pas mesurer est aussi important que de savoir ce qu'il peut mesurer.

Les systèmes d'inspection par vision IA ne peuvent mesurer que des matériaux visuellement identifiables

En ce qui concerne la détection de corps étrangers, une idée fausse courante à propos des systèmes d'inspection par IA est qu'ils remplacent les systèmes de détection par rayons X ou de métaux. En fin de compte, les systèmes de vision alimentés par l'IA complètent les détecteurs de rayons X et de métaux pour créer un programme de sécurité alimentaire en ligne complet et robuste.

Les systèmes d'inspection par IA excellent dans la détection de matières étrangères de faible densité telles que le caoutchouc, le bois, les tissus, le papier et d'autres objets qui passeront par des détecteurs de rayons X et de métaux. Cependant, ils ne peuvent pas analyser les matériaux incorporés dans un produit ou qui ne sont pas visibles sous les différents angles de caméra du système. L'intégration de tables de secouage ou de configurations en cascade pour séparer temporairement les produits ou présenter la surface inférieure du produit à inspecter peut contribuer à améliorer la visibilité du système d'IA.

Cependant, à l'instar des détecteurs de rayons X et de métaux, les opérateurs peuvent ajuster le système d'inspection par IA pour améliorer la détectabilité. Le fait de fixer des tolérances trop élevées peut entraîner un plus grand nombre de faux positifs. Les utilisateurs doivent trouver un équilibre pour atteindre une détectabilité maximale tout en gérant efficacement les faux positifs.

En outre, si un système d'IA est entraîné sur une seule ligne avec des caractéristiques spécifiques, telles que la couleur de la bande transporteuse, l'utilisation du même modèle sur une ligne différente, même au sein de la même installation, a peu de chances d'aboutir à une transition fluide. Étant donné que le système d'IA observe en permanence la surface de traitement et modifie son environnement sans ajouter de données supplémentaires pour mettre à jour l'entraînement du modèle, le système peut entraîner des résultats indésirables.

La fréquence des matériaux ou des défauts est vitale pour le développement de modèles d'IA

Les pommes de terre sont un excellent exemple de produit alimentaire dont la masse varie et qui est trié et vendu à des clients finaux spécifiques en fonction de la taille du produit, de sa qualité et de la présence de défauts. Une pomme de terre de bonne taille et exempte de la plupart des défauts, appelée pommes de terre « fraîches emballées », sera généralement distribuée aux épiceries ou aux restaurants. Une pomme de terre qui peut être plus petite ou de forme inhabituelle peut être envoyée à un transformateur secondaire (par exemple, croustilles, aliments surgelés, etc.). Les pommes de terre présentant des défauts visibles indésirables tels que des bleus, des germes ou de la pourriture peuvent être triées pour l'alimentation du bétail.

Étant donné que les installations de tri des pommes de terre sont constamment confrontées à ces variations naturelles des produits, elles disposent d'un échantillon suffisamment important pour créer des modèles d'IA puissants permettant de détecter ces caractéristiques clés. D'autre part, le développement de modèles d'IA pour des anomalies ponctuelles ou peu fréquentes est difficile si le problème n'apparaît pas assez régulièrement pour que l'IA sache de quoi il s'agit. Pour les objets dont l'aspect est clairement différent du produit, par exemple un emballage en plastique bleu qui entre dans une chaîne de transformation de frites surgelées, la fabrication de ces modèles en matières étrangères est moins difficile.

Par exemple, un producteur de céréales peut souhaiter développer un modèle d'IA pour détecter les morceaux de verre brisé dans un silo à grains. Supposons que l'installation ne détecte du verre sur sa ligne qu'une fois par an, alors que des roches ou des bâtons peuvent apparaître des dizaines de fois par jour. Dans ce cas, il est difficile de développer un modèle d'IA fiable pour les matériaux étrangers pour le verre sur un échantillon de si petite taille.

Plus le défaut ou le matériau est petit, plus le prix du système est élevé

Toutes les matières étrangères présentes dans la production alimentaire présentent des dangers, y compris les plus petits objets. Cependant, pour qu'un système d'intelligence artificielle détecte des particules fines ou des anomalies sur une chaîne de traitement, il ne suffit pas de zoomer sur une image de la bande transporteuse. Pour pouvoir capturer des objets dans leurs moindres détails, il faut davantage de caméras à des résolutions plus élevées pour examiner des zones spécifiques, ce qui augmente la puissance de calcul. Bien que ces applications de détection précises et détaillées soient techniquement possibles, les composants et la complexité du système requis seront supérieurs aux prix de la plupart des entreprises.

Les systèmes d'inspection par IA, comme les humains, ne sont pas parfaits

Déployer un système d'inspection basé sur l'IA dans une usine de transformation des aliments, c'est comme si un nouveau-né venait au monde. Comme un nourrisson, le système d'IA arrive complètement inconscient de son environnement. Il ne distingue pas le bien du mal. L'utilisateur de l'IA et son équipe de support technique ont pour objectif d'enseigner et de faire de ce nouveau-né un « être » de niveau doctorat capable de prendre de bonnes décisions avec moins d'intervention humaine au fil du temps.

Même le système d'inspection par IA le mieux entraîné présente des défauts. Les utilisateurs doivent s'attendre à un ratio de faux positifs ou à des notes de produit manquantes de temps en temps. C'est pourquoi les humains resteront essentiels à un système d'inspection par IA productif pour les problèmes complexes et les produits présentant des variations de masse. La meilleure voie vers le succès sera d'adopter une approche pratique et patiente pour intégrer la technologie d'inspection par IA et de choisir un fournisseur de solutions d'IA qui travaillera en partenariat avec l'établissement et partagera cette mentalité.